MLOps: qué es y cómo funciona
Qué es MLOps
MLOps (de machine learning operations) es el conjunto de prácticas que mantienen un modelo de machine learning funcionando en producción: cómo se despliega, cómo se vigila, cómo se reentrena y cómo se sabe qué versión tomó cada decisión. Toma ideas de DevOps, pero añade algo propio: en un modelo no solo cambia el código, también cambian los datos con los que trabaja.
Por qué un modelo empeora en producción
Un modelo aprende de los datos que había cuando se entrenó. Con el tiempo, la realidad cambia: entran productos nuevos, cambian los clientes, se mueve una cámara, cambia la luz o se modifica un proceso. El software sigue encendido y responde, pero sus predicciones son cada vez menos fiables. A esto se le llama deriva de datos. Sin vigilancia, nadie se entera hasta que los errores llegan al negocio.
Cómo funciona MLOps
Un ciclo de MLOps suele incluir:
- Versionado: de datos, etiquetas, código y modelo, para poder reproducir un resultado y explicar una decisión pasada.
- Despliegue controlado: primero en un entorno de pruebas o en paralelo, sin actuar, y después de forma gradual.
- Monitorización: disponibilidad, latencia, distribución de las predicciones, casos dudosos y comparación con una referencia humana.
- Reentrenamiento: con datos nuevos cuando las métricas bajan, y validación antes de sustituir al modelo anterior.
- Vuelta atrás: poder recuperar la versión anterior si la nueva falla.
Un ejemplo
Un modelo de predicción de demanda funciona bien durante meses. Una campaña nueva cambia los patrones de compra y el error empieza a subir. El panel de monitorización lo detecta, el equipo reentrena con los datos recientes, compara la nueva versión con la actual sobre el mismo periodo y la publica solo si mejora. Si algo sale mal, vuelve a la anterior.
Buenas prácticas de MLOps
- Medir el modelo con métricas de negocio, no solo técnicas.
- Guardar qué versión de modelo y de datos produjo cada resultado.
- Probar en sombra antes de dejar que el modelo actúe solo.
- Mantener revisión humana sobre una muestra y sobre los casos dudosos.
- Vigilar el modelo como cualquier otro equipo de producción.
Cómo lo aplicamos en DPI
MLOps forma parte de nuestro servicio de machine learning, donde entrenamos modelos de predicción, clasificación y optimización con los datos de cada empresa y los validamos con métricas de negocio. En control de calidad industrial seguimos los mismos principios: versionar datos, etiquetas y modelo, operar en sombra antes de automatizar y monitorizar el sistema, porque si las condiciones cambian el modelo puede dejar de ser fiable aunque el software siga encendido.